基于BP神经网络煤矿配电网故障测距研究.docVIP

基于BP神经网络煤矿配电网故障测距研究 　　【摘 要】本文提出了一种基于小波分析与BP神经网络的煤矿配电网故障测距方法。该方法首先采用小波包提取故障暂态零序电流的模极大值，并在小波基函数、分解尺度、BP网络各参数选择等方面进行了分析，进而在BP神经网络训练的基础上，将各故障特征的模极大值输入到BP网络中进行测试，输出了故障发生的位置。大量仿真实验表明，该方法在不同接地电阻及故障距离情况下，均能准确计算出故障发生的位置。 　　【关键词】神经网络；故障测距；小波包；相对误差 　　0 引言 　　我国矿井配电网多为6kV单侧电源供电系统，采取中性点非有效接地方式，属于小电流接地系统（NUGS）。馈电回路选用多段短电缆径向延伸为各种井下高低压电机、电气设备、照明及各种通信、自动化装置和仪表、仪器提供电能。由于井下工作环境恶劣，供电电缆经常发生接地、断线、短路等故障，据电力部门统计，其中单相接地故障的发生率最高。尽管发生单相接地故障时，线电压仍然对称，暂时不影响对负荷的连续供电，但就矿井这类危险易爆场所而言，当发生单相接地故障时，应尽快跳闸断电以确保安全。为此，必须及时对故障点进行定位、排除故障、加快恢复线路供电。 　　NUGS馈线的故障定位问题一直以来未得到满意的解决，这与其自身的特点有关。由于电网变压器中性点不直接接地，造成单相接地电流无法形成小阻抗回路，故障电流主要由线路对地电容电流提供，其数值较小，且基波分量幅值故障前后变化不大，使得定位保护装置很难准确进行故障选线和定位。考虑到井下环境条件和负荷的特殊性，矿井配电网与传统意义上的NUGS存在一定的差异：单相接地产生的暂态分量较稳态分量大得多，暂态波形畸变严重，应研究利用暂态电气量进行故障测距的可行性；馈电线路分支少、长度短，对测距精度要求高[1]。 　　鉴于上述原因，本文就井下配电网故障测距问题进行研究，以期提高故障测距的精度和可靠性。 　　1 BP网络的结构和算法 　　BP网络结构上类似于多层感知器，是一种多层前馈神经网络，网络权值的训练算法为误差反向传播（BP）学习算法。如图1所示为一典型3层BP网络模型。 　　图1 3层BP网络模型 　　以图示BP网络模型为例说明网络的学习过程： 　　（1）初始化。为每个连接权值wij、wjt、阀值θj、θt赋予（-1，1）区间的随机值。 　　（2）给定输入输出目标样本。给定输入向量Xp=（x1，x2，...，xn）和期望目标向量Tp=（t1，t2，...，tm），p∈1，2，...，P。 　　（3）计算网络各层的输出。由输入样本、连接权值、阀值及各层神经元传递函数计算隐含层和输出层的输出。 　　（4）计算网络实际输出与期望输出的一般化误差。系统的目标函数为： 　　E=■■■（t■-y■）2=■E■（1） 　　网络通过调整权值和阀值使满足预先设定的一个极小值。 　　（5） 利用目标函数调整网络的权值和阀值。BP算法按照目标函数梯度的反方向对网络参数进行调整，使目标函数收敛，即实际输出接近目标输出。对于第p个输入样本的权值、阀值，按下式修正，式中？浊为学习速率。 　　？驻w=-？浊■， ？驻θ=-？浊■（2） 　　对应的权值、阀值按下式调整，式中为迭代步数。 　　w（k+1）=w（k）+？驻wθ（k+1）=θ（k）+？驻θ（3） 　　（6）随机选择下一组学习样本向量进行训练，直到P个样本对训练完毕。 　　（7）重新从P个学习样本中随机选取一组输入、目标样本对，返回步骤（3），直到目标函数E收敛于给定值，若训练次数大于设定的最大训练次数，则网络不收敛。 　　由于BP算法学习速率为固定值，收敛速度较慢，且可能会产生多个局部极小值，另外网络的隐含层层数和神经元数目的选择尚无理论指导，因此网络具有较大的冗余性。为了克服以上不足，提出了许多改进算法，从改进途径上分为两类： 　　一类为启发式学习算法，如动量BP算法、弹性算法、学习率可变的BP算法等；另一类为快速优化算法，如拟牛顿算法、LM算法等。 　　2 基于BP小波神经网络的故障测距 　　小波包具有正交特性、信号分解后的信息量是完整的，因此利用小波包算法分析信号频率的分布情况，能够有效提取信号的暂态特征。对于电缆线路而言，其暂态零序电流的自由振荡频率一般在1500～3000Hz之间[2-3]。本文利用小波包提取该频段的暂态零序电流信号模极大值作为神经网络模型的输入，以期实现高精度的故障测距。 　　2.1 小波基的选择 　　在利用小波包提取模极大值时，小波基的选择十分重要，选择不同的小波基对信号进行分解，可以突出不同特点的信号特征。Daubechies小波系是信号分析处理中常用的一类小波，具有紧支性、正交性，满足精确重构条件，但由于其不具有对称性